【R-mlr3新书节选】手动计算并可视化二分类度量：混淆矩阵/ROC曲线/AUC

文章预览

1 概念原理 针对机器学习中最常见的二分类问题，有一些专用的度量，下面是其中的几个。 1.1 混淆矩阵（Confusion Matrix） TP（True Positive，真正）：将正类预测为正类数 TN（True Negative，真负）：将负类预测为负类数 FP（False Positive，假正）：将负类预测为正类数误报（Type I error） FN（False Negative，假负）：将正类预测为负类数-->漏报（Type II error） 1.2 ROC曲线与AUC ROC曲线 ，是在不同分类阈值上对比真正率（TPR，y轴）与假正率（FPR, x轴）的曲线，ROC 曲线下面的面积叫做 AUC 。 2 R语言实现 为了通用性，以下函数都是针对  mlr3  的学习器预测结果对象设计。 预测结果数据框 prediction  要包含两列： truth  为因子型的真实标签，第一水平为正例 prob 为预测为正例的概率 下面先列出各个自定义函数。 2.1 计算及可视化混淆矩阵（也支持多分类） 根据预测结果 ………………………………